📊 各版本ResNet通道数对比表
| 模型变体 | Layer1 | Layer2 | Layer3 | Layer4 | 总参数量 |
|---|---|---|---|---|---|
| 基础残差块系列 | |||||
| ResNet18 | 64 | 128 | 256 | 512 | 11.7M |
| ResNet34 | 64 | 128 | 256 | 512 | 21.8M |
| 瓶颈块系列 | |||||
| ResNet50 | 256 | 512 | 1024 | 2048 | 25.6M |
| ResNet101 | 256 | 512 | 1024 | 2048 | 44.5M |
| ResNet152 | 256 | 512 | 1024 | 2048 | 60.2M |
浅层：通道少，空间大 → 细节信息
深层：通道多，空间小 → 语义信息
🔬 各版本ResNet详细通道数
ResNet18
结构：8个基础残差块
输入 (3, H, W)
↓
Conv1 (64, H/2, W/2) # 7x7, stride=2
↓
MaxPool (64, H/4, W/4) # 3x3, stride=2
↓
Layer1: 64 → 64 × 2 # 2个残差块，通道数不变
↓
Layer2: 64 → 128 × 2 # 2个残差块，通道数翻倍
↓
Layer3: 128 → 256 × 2 # 2个残差块，通道数翻倍
↓
Layer4: 256 → 512 × 2 # 2个残差块，通道数翻倍
输出通道数 ：[64, 128, 256, 512]
ResNet34
结构：16个基础残差块
输入 (3, H, W)
↓
Conv1 (64, H/2, W/2)
↓
MaxPool (64, H/4, W/4)
↓
Layer1: 64 → 64 × 3 # 3个残差块
↓
Layer2: 64 → 128 × 4 # 4个残差块
↓
Layer3: 128 → 256 × 6 # 6个残差块
↓
Layer4: 256 → 512 × 3 # 3个残差块
输出通道数 ：[64, 128, 256, 512]
ResNet50
结构：16个瓶颈块
输入 (3, H, W)
↓
Conv1 (64, H/2, W/2)
↓
MaxPool (64, H/4, W/4)
↓
Layer1: 64 → 64 → 256 × 3 # 瓶颈块：64→64(3x3)→256
↓
Layer2: 256 → 128 → 512 × 4 # 256→128(3x3)→512
↓
Layer3: 512 → 256 → 1024 × 6 # 512→256(3x3)→1024
↓
Layer4: 1024 → 512 → 2048 × 3 # 1024→512(3x3)→2048
输出通道数 ：[256, 512, 1024, 2048]
ResNet101
结构：33个瓶颈块
输入 (3, H, W)
↓
Conv1 (64, H/2, W/2)
↓
MaxPool (64, H/4, W/4)
↓
Layer1: 64 → 64 → 256 × 3 # 3个瓶颈块
↓
Layer2: 256 → 128 → 512 × 4 # 4个瓶颈块
↓
Layer3: 512 → 256 → 1024 × 23 # 23个瓶颈块 ⭐
↓
Layer4: 1024 → 512 → 2048 × 3 # 3个瓶颈块
输出通道数 ：[256, 512, 1024, 2048]
ResNet152
结构：50个瓶颈块
输入 (3, H, W)
↓
Conv1 (64, H/2, W/2)
↓
MaxPool (64, H/4, W/4)
↓
Layer1: 64 → 64 → 256 × 3 # 3个瓶颈块
↓
Layer2: 256 → 128 → 512 × 8 # 8个瓶颈块
↓
Layer3: 512 → 256 → 1024 × 36 # 36个瓶颈块 ⭐
↓
Layer4: 1024 → 512 → 2048 × 3 # 3个瓶颈块
输出通道数 ：[256, 512, 1024, 2048]
📏 各层级特征图详细尺寸表
经典ResNet (18/34/50/101/152)
| 层级 | 输入尺寸 | 输出尺寸 | 下采样倍数 | 相对输入比例 |
|---|---|---|---|---|
| Conv1 | 224×224 | 112×112 | 2 | 1/2 |
| MaxPool | 112×112 | 56×56 | 4 | 1/4 |
| Layer1 | 56×56 | 56×56 | 4 | 1/4 |
| Layer2 | 56×56 | 28×28 | 8 | 1/8 |
| Layer3 | 28×28 | 14×14 | 16 | 1/16 |
| Layer4 | 14×14 | 7×7 | 32 | 1/32 |
对于ResNet，由于采用了大量的步长为2的卷积和池化，特征图尺寸呈现规律性的减半。
🎨 代码模板：ResNet特征提取器
python
import torch
import torch.nn as nn
import torchvision.models as models
class ResNetFeatureExtractor(nn.Module):
def __init__(self, backbone_name='resnet34', pretrained=True):
super().__init__()
# 获取预训练模型
self.backbone = self._get_backbone(backbone_name, pretrained)
# 根据backbone类型设置输出通道数
self.output_channels = self._get_output_channels(backbone_name)
# 拆解网络
self._build_feature_extractor()
def _get_backbone(self, name, pretrained):
weights = 'IMAGENET1K_V1' if pretrained else None
if name == 'resnet18':
return models.resnet18(weights=weights)
elif name == 'resnet34':
return models.resnet34(weights=weights)
elif name == 'resnet50':
return models.resnet50(weights=weights)
def _get_output_channels(self, name):
# 返回各阶段的输出通道数
channels_dict = {
'resnet18': [64, 128, 256, 512],
'resnet34': [64, 128, 256, 512],
'resnet50': [256, 512, 1024, 2048],
}
return channels_dict.get(name, [])
def _build_feature_extractor(self):
# 提取各层
self.conv1 = self.backbone.conv1
self.bn1 = self.backbone.bn1
self.relu = self.backbone.relu
self.maxpool = self.backbone.maxpool
self.layer1 = self.backbone.layer1
self.layer2 = self.backbone.layer2
self.layer3 = self.backbone.layer3
self.layer4 = self.backbone.layer4
def forward(self, x):
# 逐层前向传播
x = self.conv1(x)
x = self.bn1(x)
x = self.relu(x)
x = self.maxpool(x)
c1 = self.layer1(x) # 1/4分辨率
c2 = self.layer2(c1) # 1/8分辨率
c3 = self.layer3(c2) # 1/16分辨率
c4 = self.layer4(c3) # 1/32分辨率
return {
'c1': c1, # 浅层特征
'c2': c2, # 中層特征
'c3': c3, # 深层特征
'c4': c4, # 最深层特征
}
# 使用示例
extractor = ResNetFeatureExtractor('resnet50')
x = torch.randn(1, 3, 224, 224)
features = extractor(x)
for name, feat in features.items():
print(f"{name}: {feat.shape}")
# 输出:
# c1: torch.Size([1, 256, 56, 56])
# c2: torch.Size([1, 512, 28, 28])
# c3: torch.Size([1, 1024, 14, 14])
# c4: torch.Size([1, 2048, 7, 7])🚀 实践中的选择策略
何时使用哪一层特征？
| 任务类型 | 推荐使用的特征层 | 原因 |
|---|---|---|
| 小目标检测 | Layer2 (1/8) | 保留更多空间细节 |
| 大目标检测 | Layer4 (1/32) | 语义信息丰富 |
| 实例分割 | Layer2 + Layer3 | 平衡细节和语义 |
| 图像分类 | Layer4 | 只需高层语义 |
📌 选择建议
初学者/快速实验：ResNet18 或 ResNet34
工业级应用：ResNet50 或 ResNeXt50
竞赛/高精度：ResNet101 或 ResNeXt101
超大模型：Wide ResNet系列
移动端部署：ResNet18（可考虑量化）
理解这些通道数设计，能帮助你更好地选择和调整backbone，为下游任务提供最合适的特征表示。